في عالم تعلم الآلة، يمثل فهم كيفية حساب الدوائر الكهربائية تحديًا رئيسيًا يتطلب نموذجًا جيدًا لتجسيد سلوك الرسوم البيانية. رغم ذلك، فإن الأنظمة التقليدية المستخدمة في هذا المجال، مثل الشبكات العصبية القائمة على الرسائل (Message Passing Neural Networks - MPNNs) والنماذج المبنية على أساس الترانسفورمر (Transformer)، تعاني من عدم التوافق المعماري مع مهمة التعلم هذه.

ولتجاوز هذه العقبة، تم تقديم TRACE كمفهوم جديد يعتمد على أساس معماري قوي ونموذج تعليمي مدروس. يعتمد TRACE على استخدام ترانسفورمر هرمي (Hierarchical Transformer) يعكس تدفق الحساب خطوة بخطوة، مما يوفر هيكلًا معماريًا موثوقًا يحل محل عملية التراكم المتسق المعيبة.

بالإضافة إلى ذلك، يقدم TRACE مفهوم التعلم القائم على انزلاق الوظائف (Function Shift Learning)، وهو هدف مبتكر يفصل مشكلة التعلم عن التقدير المباشر للوظيفة العالمية المعقدة. بدلاً من ذلك، يتم تدريب النموذج على تقدير الانزلاق الوظيفي، الذي يمثل الفرق بين وظيفة عالمية حقيقية وتقدير محلي بسيط يفترض استقلالية المدخلات.

لقد تم اختبار هذا النظام الجديد على مجموعة متنوعة من الرسوم البيانية للدائرة، بما في ذلك الرسوم البيانية لمستوى نقل السجلات (Register Transfer Level)، والرسوم البيانية للبوابات المتصلة والعكسية (And-Inverter Graphs)، والشبكات بعد التوجيه (Post-Mapping Netlists). وأظهرت النتائج أن TRACE يتفوق بشكل ملحوظ على جميع الهياكل السابقة عبر مجموعة شاملة من المعايير.

تظهر هذه النتائج أن الهيكل المعماري المتماشي مع الطبيعة الهرمية والمبدأ التعليمي المنفصل يشكلان نقلة نوعية في معالجة التحدي الأساسي لفهم سلوك الدوائر الكهربائية بشكل وظيفي دقيق.